Halka açık finans dışı şirketlerde süreklilik riskinin makine öğrenmesi ile öngörülmesi

Abstract

Bu çalışmanın, finans dışı şirketlerin süreklilik risklerinin belirlenmesine, iki açıdan katkı yapması öngörülmektedir. Bunlar; Makine Öğrenmesi modellerinin süreklilik riski öngörüsüne yapabileceği katkının ve bu modellerin pratikte uygulanabilirliklerinin irdelenmesidir.Araştırmaya konu Makine Öğrenmesi modelleri sırasıyla Çoklu Ayraç Analizi, Lojistik Model, Sinir Ağları, Destek Vektör Makineleri, Karar Ağaçları ve Karar Ormanlarıdır. Çalışma kapsamında yapılan analizlere 1999-2016 döneminde Türkiye'de yerleşik, halka açık, finans sektörü dışındaki şirketler dahil edilmektedir. Araştırmada R istatistik dilinden ve ilgili R Makine Öğrenmesi model kütüphanelerinden faydalanılmaktadır. Modellerin etkinlik ölçümleri örneklemin `model` ve `test` gruplarına ayrılması yöntemi (Çapraz Doğrulama) ile gerçekleştirilmektedir. İlk gruptaki veri kullanılarak modeller bina edilmekte, tamamen farklı örnekler içeren ikinci grup ile testler gerçekleştirilmektedir. Modelleme ve testler bu iki gurubun pek çok kere rastgele belirlenmesi ile tekrarlanmakta ve sonuçların istatistiki geçerliliğe erişmesi temin edilmektedir.Bu çalışmanın sonucunda veriye uygulanan çok değişkenli Makine Öğrenmesi modellerinin ortalama performansının %86 olduğu, en başarılı modelin %91, en zayıf modelin ise %81 düzeyinde bir başarı ile süreklilik risklerini öngörebildiği tespit edilmektedir. Eldeki örneklem çerçevesinde, bir Breiman Karar Ağacı modelinin en başarılı süreklilik riski öngörüsü modeli olduğu ve bu modelin sade ve kolay anlaşılır yapısından ötürü pratikte de faydalı olabileceği öngörülmektedir. Breiman Karar Ağacı modelinin her seviyedeki muhasebe bilgi kullanıcısı (yöneticiler, ortaklar, kredi kuruluşları, çalışanlar, potansiyel ortaklar, devlet ve toplum) tarafından kullanılması ve pek çok kredi riski takibi uygulamasına eklemlenmesi mümkün görünmektedir.

This thesis aims to contribute to the going concern prediction studies through answering the questions of; can we use the `popular` Machine Learning tools in the process of going concern prediction effectively, and if so, which models are comparatively more practical to utilize in real world scenarios.Machine Learning models used in this study are Multiple Discriminant Analysis, Logistic Models, Neural Networks, Support Vector Machines, Decision Trees and Random Forests. Data used to construct the models belong to non-finance Turkish companies traded publicly in the 1999-2016 period. R statistical language and related Machine Learning libraries are utilized to train the models. Performance of models are estimated by a commonly accepted method: cross-validation. In cross-validation, sample data is randomly divided into two independent groups. One of the groups is used to train the model and the other to test it. This process is repeated enough many times to reach statistical significance.The study shows that models applied to the data attain an average prediction performance of 86%, where the best model in the study reaches a success level of 91% and the worst model remains at 81%. A Breiman Decision Tree appears to be the best model in predicting going concern risks. This renders the results to be far more interesting, since these models are the easiest to comprehend and build. It is foreseen that Breiman Decision Tree models can be utilized by any credit analyst at any level and can be incorporated to any credit analysis software without much effort.